WO2022131138A1 - 推定装置、推定方法、推定プログラム、及び学習モデル生成装置 - Google Patents

推定装置、推定方法、推定プログラム、及び学習モデル生成装置 Download PDF

Info

Publication number
WO2022131138A1
WO2022131138A1 PCT/JP2021/045417 JP2021045417W WO2022131138A1 WO 2022131138 A1 WO2022131138 A1 WO 2022131138A1 JP 2021045417 W JP2021045417 W JP 2021045417W WO 2022131138 A1 WO2022131138 A1 WO 2022131138A1
Authority
WO
WIPO (PCT)
Prior art keywords
flexible material
estimation
electrical characteristics
shape
learning model
Prior art date
Application number
PCT/JP2021/045417
Other languages
English (en)
French (fr)
Inventor
泰通 若尾
良 櫻井
浩平 中嶋
Original Assignee
株式会社ブリヂストン
国立大学法人東京大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社ブリヂストン, 国立大学法人東京大学 filed Critical 株式会社ブリヂストン
Priority to EP21906501.8A priority Critical patent/EP4265999A4/en
Priority to US18/257,101 priority patent/US20240104374A1/en
Priority to CN202180084131.0A priority patent/CN116583710A/zh
Publication of WO2022131138A1 publication Critical patent/WO2022131138A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G01B7/18—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in resistance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/28—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/20—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress
    • G01L1/22—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress using resistance strain gauges
    • G01L1/225—Measuring circuits therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
    • G01L1/00—Measuring force or stress, in general
    • G01L1/20—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress
    • G01L1/22—Measuring force or stress, in general by measuring variations in ohmic resistance of solid materials or of electrically-conductive fluids; by making use of electrokinetic cells, i.e. liquid-containing cells wherein an electrical potential is produced or varied upon the application of stress using resistance strain gauges
    • G01L1/2268—Arrangements for correcting or for compensating unwanted effects

Definitions

  • the present disclosure relates to an estimation device, an estimation method, an estimation program, and a learning model generation device.
  • the system including the camera and image analysis becomes a large scale. This is not preferable because it causes an increase in the size of the device.
  • the techniques of the present disclosure include a detector that detects electrical properties between a plurality of detection points in a conductive flexible material, electrical properties that change over time in response to deformation of the flexible material, and the flexible material.
  • the "flexible material” is a concept including a material that is at least partially deformable such as bending when an external force is applied, and has a soft elastic body such as a rubber material and a fibrous skeleton. It includes a structure and a structure in which a plurality of minute air bubbles are scattered inside. Pressure is an example of an external force. Examples of a structure having a fibrous skeleton and a structure in which a plurality of minute air bubbles are scattered inside include a polymer material such as a urethane material.
  • Flexible material to which conductivity is imparted is a concept including a material having conductivity, a material to which a conductive material is imparted to a flexible material in order to impart conductivity, and a material in which a flexible material has conductivity. including.
  • the flexible material to which conductivity is imparted has a function of changing the electrical characteristics according to the deformation.
  • An example of a physical quantity that causes a function of changing electrical characteristics according to deformation is a pressure value due to pressure stimulation. When deforming the flexible material, it is possible to deform the flexible material with the shape of the pressure stimulus.
  • an example of a physical quantity representing an electric characteristic that changes according to deformation is an electric resistance value. This electric resistance value can be regarded as the volume resistance value of the flexible material.
  • the flexible material gives electrical conductivity, and the electrical characteristics according to the deformation appear. That is, as shown in FIG. 2, in the flexible material to which conductivity is imparted, the electric paths are complicatedly linked, and the electric paths expand and contract or expand and contract according to the deformation. In addition, it may show the behavior that the electric path is temporarily cut off and the behavior that a connection different from the previous one occurs.
  • the flexible material exhibits different electrical properties depending on the applied force (eg, pressure stimulus) between positions separated by a predetermined distance (eg, detection points). Therefore, from the viewpoint of the shape change of the flexible material, it is considered that the electrical characteristics change according to the shape of the force applied to the flexible material (for example, pressure stimulation) and the force applied to the flexible material.
  • the estimation device of the present disclosure uses the electrical characteristics associated with the time-series information that changes according to the deformation of the flexible material and the shape information of the pressure stimulus that gives the flexible material deformation as learning data. Is used as an input, and a learning model trained to output shape information is used. The estimation device inputs the electrical characteristics of the flexible material, which is the estimation target, to the learning model, and estimates the output as shape information of the estimation target.
  • a conductive flexible member infiltrated into a urethane member
  • a pressure stimulus by an imparting member having a predetermined shape is applied to a physical quantity that deforms the flexible material and an electric resistance value is applied to the physical quantity that changes according to the deformation of the flexible material.
  • FIG. 1 shows an example of the configuration of the flexible material shape estimation device 1 as the estimation device of the present disclosure.
  • the applied data (at least the shape value) labeled with the pressure stimulus given to the conductive flexible member 2 and the electric resistance data of the conductive flexible member 2 (that is, the electric resistance value). ) Is used as an input, and the shape data of the unknown pressure stimulus given to the conductive flexible member 2 is estimated and output using the trained learning model.
  • the shape estimation device 1 of the flexible material estimates the shape of the pressure stimulus given to the flexible material from the electrical characteristics of the flexible material whose shape has changed due to the pressure stimulus applied to the flexible material. This makes it possible to identify the shape of the pressure stimulus given to the flexible material without using a special device or a large device or directly measuring the deformation of the flexible member.
  • the conductive flexible member 2 is applied as a detection unit. That is, as shown in FIG. 1, the shape estimation device 1 for flexible materials includes an estimation unit 5. Input data 4 representing the magnitude (electrical resistance value) of the electric resistance corresponding to the pressure stimulus 3 given to the conductive flexible member 2 is input to the estimation unit 5. Further, the estimation unit 5 outputs output data 6 representing the physical quantity (shape value) of the pressure stimulus 3 given to the conductive flexible member 2 as the estimation result.
  • the estimation unit 5 includes a trained learning model 51.
  • the learning model 51 learns to derive the shape (output data 6) of the pressure stimulus given to the conductive flexible member 2 from the electric resistance (input data 4) of the conductive flexible member 2 to which the pressure stimulus 3 is given. It is a finished model.
  • the learning model 51 is, for example, a model that defines a trained neural network, and is expressed as a set of information on the weight (strength) of the connection between the nodes (neurons) constituting the neural network.
  • the learning model 51 is generated by the learning process of the learning process unit 52 (FIG. 3).
  • the learning processing unit 52 performs learning processing using the time-series electrical resistance (input data 4) in the conductive flexible member 2 to which the pressure stimulus 3 is given. That is, a large amount of data obtained by measuring the electrical resistance between the detection points of the conductive flexible member 2 separated by a predetermined distance in time series using the shape of the pressure stimulus 3 as a label is used as training data.
  • the training data is a large set of input data including the electric resistance value (input data 4) and information indicating the shape of the pressure stimulus 3 corresponding to the input data (output data 6). include.
  • time-series information is associated with each of the electric resistance values (input data 4) of the conductive flexible member 2 by adding information indicating the measurement time.
  • time-series information may be associated with the sequential set of electrical resistance values when pressure stimulation is applied to the conductive flexible member 2 by adding information indicating the measurement time.
  • FIG. 4 shows an example of a measuring device 7 for measuring a physical quantity in the conductive flexible member 2.
  • a pressure applying portion 73 for applying a pressure stimulus (a physical quantity that deforms the conductive flexible member 2) to the conductive flexible member 2 is attached to the fixed portion 72 fixed to the base 71.
  • the pressure applying portion 73 includes a pressure applying main body 73A, an arm 73B that can be expanded and contracted from the pressure applying main body 73A, and a tip portion 73C attached to the tip of the arm 73B.
  • the pressure applying main body 73A is fixed to the fixing portion 72
  • the arm 73B is expanded and contracted in response to the input signal
  • the tip portion 73C is moved in a predetermined direction (arrow F direction).
  • the conductive flexible member 2 is installed on the base 71, and a pressing member 74 having a predetermined shape is arranged between the tip portion 73C of the pressure applying portion 73 and the conductive flexible member 2.
  • the pressing members 74A to 74E shown in FIG. 5 are used as an example of the pressing member 74 having a predetermined shape.
  • the pressing member 74A is a pressing member that gives a pressure stimulus in a circular shape to the conductive flexible member 2
  • the pressing member 74B is a pressing member that gives a pressure stimulus in a quadrangular shape
  • the pressing member 74C gives a pressure stimulus in a triangular shape. It is a pressing member to give.
  • the pressing member that gives a pressure stimulus in a direction different from that of the pressing member 74B is referred to as a pressing member 74D
  • the pressing member that gives a pressure stimulus in a direction different from that of the pressing member 74C is used.
  • the member was a pressing member 74E.
  • the pressure applying portion 73 operates so that the tip portion 73C pushes the pressing member 74 into the conductive flexible member 2 by extending the arm 73B.
  • the surface of the conductive flexible member 2 on the base 71 side is provided with a detection point 75 for detecting electrical characteristics (that is, a physical quantity indicating the electrical characteristics of the conductive flexible member 2, and here, an electric resistance value).
  • the detection points 75 are arranged at a plurality of different positions separated by a predetermined distance in order to detect the electric resistance value of the conductive flexible member 2.
  • a plurality of detection points 75 (8 in FIG. 6) arranged in a grid pattern shown in FIG. 6 are applied as an example of the detection points 75 in the conductive flexible member 2.
  • the electric resistance value for example, the volume resistance value
  • FIG. 6 a reference numeral indicating each of the first to eighth points is shown in a figure (circular figure) indicating the detection point 75 as each of the eight detection points 75.
  • a first detection set # 1 for detecting an electric resistance value by a first detection point 75 and a second detection point 75 is shown.
  • the second detection point 75 and the third detection point 75 indicate the second detection set # 2
  • the third detection point 75 and the fourth detection point 75 indicate the third detection set # 3.
  • the fourth detection point 75 and the first detection point 75 indicate the fourth detection set # 4.
  • the fifth detection point 75 and the seventh detection point 75 indicate the fifth detection set # 5
  • the sixth detection point 75 and the eighth detection point 75 indicate the sixth detection set # 6.
  • the second detection point 75 and the fourth detection point 75 indicate the seventh detection set # 7, and the first detection point 75 and the third detection point 75 indicate the eighth detection set # 8.
  • the measuring device 7 includes an electrical characteristic detection unit 76 that is connected to the detection point 75 to detect electrical characteristics (that is, electric resistance value).
  • the measuring device 7 includes a pressure applying unit 73 and a controller 70 connected to the electrical characteristic detecting unit 76.
  • the controller 70 controls the pressure applying unit 73, gives a pressure stimulus to the conductive flexible member 2, acquires an electric resistance value due to the pressure stimulus to the conductive flexible member 2, and stores it.
  • the stored electric resistance value is associated with information indicating the shape of the pressure stimulus to the conductive flexible member 2, that is, the shape of the pressing member 74.
  • the measuring device 7 can acquire a plurality of data sets of electric resistance values of the conductive flexible member 2 in chronological order with respect to the shape of the pressing member 74.
  • the controller 70 can be configured to include a computer including a CPU (not shown), and is adapted to execute learning data collection processing.
  • FIG. 7 shows an example of the learning data collection process.
  • the controller gives an instruction of pressure stimulation by the pressing member 74 to the conductive flexible member 2, and in step S102, the electric resistance value in the conductive flexible member 2 is acquired in time series.
  • the shape of the pressing member 74 is assigned as a label to the acquired time-series electric resistance value and stored.
  • the controller 70 is used until the shape of the pressing member 74 and the set of the electric resistance values of the conductive flexible member 2 reach a predetermined predetermined number or a predetermined predetermined time (until a positive judgment is made in step S106). Negative judgment), and repeat the above process.
  • the controller 70 acquires the electric resistance value of the conductive flexible member 2 in time series for each shape of the pressing member 74 by controlling the pressing of the pressure stimulus on the conductive flexible member 2. , It becomes possible to memorize.
  • the learning data is a set of electrical resistance values of the conductive flexible member 2 in time series for each shape of the pressing member 74 stored in the controller 70.
  • the learning processing unit 52 includes a generator 54 and an arithmetic unit 56.
  • the generator 54 has a function of generating an output in consideration of the context of the electric resistance value acquired in time series as an input.
  • the learning processing unit 52 receives input data 4 (electrical resistance value) measured by the measuring device 7 as learning data, and output data 6 which is data related to the pressing member 74 given to the conductive flexible member 2 as a pressure stimulus. Holds a large number of sets with (shape).
  • the generator 54 includes an input layer 540, an intermediate layer 542, and an output layer 544 to form a known neural network (NN: Neural Network). Since the neural network itself is a known technique, detailed description thereof will be omitted, but the intermediate layer 542 includes a large number of node groups (neuron groups) having inter-node connections and feedback connections.
  • the data from the input layer 540 is input to the intermediate layer 542, and the data of the calculation result of the intermediate layer 542 is output to the output layer 544.
  • the generator 54 is a neural network that generates generated output data 6A representing the shape of the pressing member 74 from the input input data 4 (electrical resistance).
  • the generated output data 6A is data in which the shape of the pressing member 74 in which the conductive flexible member 2 is pressure-stimulated is estimated from the input data 4 (electrical resistance).
  • the generator 54 generates generated output data showing a shape close to the shape of the pressing member 74 to which the conductive flexible member 2 is pressure-stimulated from the input data 4 (electrical resistance) input in time series. By learning using a large number of input data 4 (electrical resistance), the generator 54 can generate generated output data 6A that is closer to the shape of the pressing member 74 in which the conductive flexible member is pressure-stimulated. Become.
  • the arithmetic unit 56 is an arithmetic unit that compares the generated output data 6A with the output data 6 of the learning data and calculates the error of the comparison result.
  • the learning processing unit 52 inputs the generated output data 6A and the output data 6 of the learning data to the arithmetic unit 56. In response to this, the arithmetic unit 56 calculates an error between the generated output data 6A and the output data 6 of the learning data, and outputs a signal indicating the calculation result.
  • the learning processing unit 52 learns the generator 54 that tunes the weight parameter of the connection between the nodes based on the error calculated by the arithmetic unit 56. Specifically, the weight parameter of the connection between the nodes of the input layer 540 and the intermediate layer 542 in the generator 54, the weight parameter of the connection between the nodes in the intermediate layer 542, and the node of the intermediate layer 542 and the output layer 544. Each of the weighting parameters of the coupling between them is fed back to the generator 54 by using a method such as a gradient descent method or an error back propagation method. That is, with the output data 6 of the training data as the target, the coupling between all the nodes is optimized so as to minimize the error between the output data 6A of the generated output data 6A and the output data 6 of the training data.
  • the learning model 51 is generated by the learning process of the learning process unit 52.
  • the learning model 51 is expressed as a set of information on weight parameters (weights or intensities) of connections between nodes of the learning result by the learning processing unit 52.
  • the learning processing unit 52 can be configured to include a computer including a CPU (not shown) and execute learning processing. For example, as shown in FIG. 9 as an example of learning processing, the learning processing unit 52 uses input data labeled with information indicating the shape of the pressing member 74, which is learning data as a result of time-series measurement in step S110. Obtain 4 (electrical resistance). In step S112, the learning processing unit 52 generates a learning model 51 using the learning data of the results measured in time series. That is, a set of information on the weight parameter (weight or intensity) of the connection between the nodes of the learning result learned using a large number of training data as described above is obtained. Then, in step S114, the data represented as a set of information on the weight parameter (weight or intensity) of the connection between the nodes of the learning result is stored as the learning model 51.
  • the generator 54 may use a recurrent neural network having a function of generating an output in consideration of the context of the time-series input, or may use another method.
  • the trained generator 54 (that is, the data represented as a set of information of the weight parameters of the connection between the nodes of the learning result) generated by the method exemplified above is used. It is used as a learning model 51.
  • the shape of the pressing member 74 pressed against the conductive flexible member 2 is identified from the time-series electrical resistance values in the pressure stimulus by the pressing member 74 against the conductive flexible member 2. It's not impossible either.
  • the process by the learning process unit 52 is an example of the process of the learning model generator of the present disclosure. Further, the shape estimation device 1 of the flexible material is an example of the estimation unit and the estimation device of the present disclosure.
  • the electric paths are intricately linked (see, for example, FIG. 2), and the electric paths expand / contract, expand / contract, temporarily cut, and newly connect according to the deformation. As a result, it shows behaviors having different electrical characteristics depending on a given force (for example, pressure stimulus).
  • This makes it possible to treat the conductive flexible member 2 as a reservoir for storing data regarding deformation of the conductive flexible member 2. That is, the flexible material shape estimation device 1 can apply the conductive flexible member 2 to a network model (hereinafter referred to as PRCN) called physical reservoir computing (PRC). .
  • PRCN network model
  • PRC physical reservoir computing
  • FIG. 10 shows an example of a learning processing unit 52 that learns by treating the conductive flexible member 2 as a reservoir for storing data related to deformation of the conductive flexible member 2.
  • the conductive flexible member 2 has electrical characteristics (electrical resistance value) corresponding to each of various pressure stimuli, functions as an input layer for inputting an electric resistance value, and stores data on deformation of the conductive flexible member 2. Functions as a reservoir layer. Since the conductive flexible member 2 outputs different electrical characteristics (input data 4) according to the given pressure stimulus 3 (shape of the pressing member), it is given from the electric resistance value of the conductive flexible member 2 in the estimation layer. It is possible to estimate the applied pressure stimulus 3 (shape of the pressing member). Therefore, in the learning process, the estimation layer may be learned.
  • the above-mentioned flexible material shape estimation device 1 can be realized by, for example, causing a computer to execute a program representing each of the above-mentioned functions.
  • FIG. 11 shows an example of a case where a computer is included as an execution device that executes a process for realizing various functions of the shape estimation device 1 of a flexible material.
  • the computer functioning as the shape estimation device 1 for the flexible material shown in FIG. 8 includes the computer main body 100 shown in FIG.
  • the computer body 100 includes a CPU 102, a RAM 104 such as a volatile memory, a ROM 106, an auxiliary storage device 108 such as a hard disk device (HDD), and an input / output interface (I / O) 110.
  • These CPU 102, RAM 104, ROM 106, auxiliary storage device 108, and input / output I / O 110 are configured to be connected via a bus 112 so that data and commands can be exchanged with each other.
  • the input / output I / O 110 is connected to a communication unit 114 for communicating with an external device and an operation display unit 116 such as a display or a keyboard.
  • the communication unit 114 functions to acquire input data 4 (electrical resistance) with the conductive flexible member 2. That is, the communication unit 114 includes the conductive flexible member 2 which is a detection unit, and acquires the input data 4 (electrical resistance) from the electrical characteristic detection unit 76 connected to the detection point 75 in the conductive flexible member 2. Is possible.
  • the auxiliary storage device 108 stores a control program 108P for making the computer main body 100 function as the shape estimation device 1 of the flexible material as an example of the estimation device of the present disclosure.
  • the CPU 102 reads the control program 108P from the auxiliary storage device 108, expands it into the RAM 104, and executes the process.
  • the computer main body 100 that executes the control program 108P operates as the shape estimation device 1 of the flexible material as an example of the estimation device of the present disclosure.
  • the auxiliary storage device 108 stores the learning model 108M including the learning model 51 and the data 108D including various data.
  • the control program 108P may be provided by a recording medium such as a CD-ROM.
  • FIG. 12 shows an example of the flow of estimation processing by the control program 108P executed in the computer main body 100.
  • the estimation process shown in FIG. 12 is executed by the CPU 102 when the computer body 100 is powered on. That is, the CPU 102 reads the control program 108P from the auxiliary storage device 108, expands it into the RAM 104, and executes the process.
  • step S200 the CPU 102 reads the learning model 51 from the learning model 108M of the auxiliary storage device 108 and expands it into the RAM 104 to acquire the learning model 51.
  • a network model that is a connection between nodes by a weight parameter expressed as a learning model 51 is developed in the RAM 104. Therefore, the learning model 51 in which the connection between the nodes by the weight parameter is realized is constructed.
  • step S202 the CPU 102 passes the unknown input data 4 (electrical resistance) to be estimated for estimating the shape of the pressing member by the pressure stimulus given to the conductive flexible member 2 via the communication unit 114. Get to the series.
  • unknown input data 4 electrical resistance
  • step S204 the CPU 102 uses the learning model 51 acquired in step S200 to obtain output data 6 (shape of an unknown estimated object) corresponding to the input data 4 (electrical resistance) acquired in step S202. presume.
  • the output data 6 (shape of the estimation target object) of the estimation result is output via the communication unit 114, and this processing routine is terminated.
  • the estimation process shown in FIG. 12 is an example of the process executed by the estimation method of the present disclosure.
  • the conductive flexible member 2 is subjected to a pressure stimulus from the input data 4 (electrical resistance) that changes in response to the given pressure stimulus 3. It becomes possible to estimate the shape of a given object. That is, it is possible to estimate the pressure stimulus applied to the flexible member, for example, the shape of the estimation target, without using a special device or a large device or directly measuring the deformation of the flexible member.
  • FIG. 13A to 13D show the characteristics of the pressure stimulus and the electrical characteristics (electrical resistance value) of the conductive flexible member 2 when the pressure stimulus is applied to the conductive flexible member 2 by the pressing member 74. ..
  • FIG. 13A shows the time characteristic of the pressure value which is the pressure stimulus applied to the conductive flexible member 2.
  • FIG. 13B shows the time characteristic of the depth of the deformation amount of the conductive flexible member 2 when the pressure value shown in FIG. 13A is applied to the conductive flexible member 2.
  • FIG. 13C shows the time characteristics of the electrical resistance value of the conductive flexible member 2 in the detection set # 1 when the pressure value shown in FIG. 13A is given to the conductive flexible member 2.
  • FIG. 13D shows the time characteristic regarding the start of pressure stimulation on the conductive flexible member 2, that is, the amount of change in the electric resistance value from the start of pressing.
  • An example of the time characteristic regarding the amount of change in the electric resistance value is the time characteristic of the difference.
  • the electric resistance value (volume resistance value) of the conductive flexible member 2 changes in response to the pressure stimulus. Can be confirmed to indicate. Further, it can be confirmed from the time characteristic (for example, the difference time characteristic indicating the difference) regarding the amount of change in the electric resistance value from the start of pressing that the electric resistance value changes in time series according to the deformation of the flexible material.
  • FIG. 14 shows the verification result of verifying the estimation result due to the difference in the shape of the pressing member 74 that gives a pressure stimulus to the conductive flexible member 2.
  • the pressing members 74 were subjected to 40 pressing tests for each of the pressing members 74A to 74E having different shapes, and the electric resistance values changed in each time series were collected as learning data. Then, a learning model learned from the collected learning data was constructed, and the shape estimation test was carried out 30 times using the learning model.
  • the pressing member 74A is referred to as C 0
  • the pressing member 74B is referred to as S 0
  • the pressing member 74C is referred to as T 0
  • the pressing member 74D is referred to as T 90
  • the pressing member 74E is referred to as T 90. It is written as S 45 .
  • the estimation result shows the estimated number of times for the shape of the estimated member when the pressing member 74 is pressed.
  • the shape can be estimated even when a pressure stimulus is applied to the conductive flexible member 2 by a pressing member 74 having a different shape. Can be confirmed as.
  • FIG. 15 shows the verification result of verifying the estimation result of the shape of the pressing member 74 with different detection sets.
  • the same pressing member 74 was subjected to 40 pressing tests for each of the different detection sets # 1 to # 8, and the electric resistance values changed in each time series were collected as learning data. Then, a learning model learned from the collected learning data was constructed, and the shape estimation test was carried out 30 times using the learning model.
  • a detection set that is, a detection position (for example, detection set # 1)
  • a detection position for example, detection set # 1
  • FIG. 16 shows the verification result of verifying the estimation result of the shape of the pressing member 74 by the combination of a plurality of different detection sets.
  • the above-mentioned 40 times of pressing test was performed, and 30 times of shape estimation test was carried out using the learning model learned from the collected learning data.
  • FIG. 17A and 17B show time characteristics regarding the electrical characteristics (electrical resistance value) of the conductive flexible member 2 when a pressure stimulus is applied to the conductive flexible member 2 by each of the plurality of pressing members 74.
  • FIG. 17A shows the time characteristics of the electric resistance value of the conductive flexible member 2 when a pressure stimulus is applied to the conductive flexible member 2 in each of the pressing members 74A to 74E.
  • FIG. 17B shows the amount of change in the electric resistance value from the start of pressure stimulation, that is, the start of pressing, for each of the pressing members 74A to 74E.
  • FIGS. 17A and 17B show the results of three-dimensional display of the results of principal component analysis with respect to the electrical characteristics shown in FIGS. 17A and 17B.
  • FIG. 18A shows the principal component analysis results for each of the pressing members 74A to 74E
  • FIG. 18B shows the principal component analysis results for the pressing members 74D and 74E.
  • each of the pressing members 74A to 74E having different shapes has a separated structure, and it can be confirmed that each of the pressing members 74A to 74E having different shapes is different.
  • FIG. 19 shows the verification result of verifying the estimation result due to the difference in the size and the pressing position of the pressing member 74.
  • the pressing member 74A according to the condition of being separated from the learned position of the circular pressing member 74A by a predetermined distance (for example, 5 mm) is referred to as C1, and the condition of the position further separated (for example, 10 mm).
  • the pressing member 74A by the above is referred to as C 2 .
  • the pressing member 74A under the condition (for example, diameter 40 mm) reduced from the size (for example, diameter 50 mm) of the pressing member 74A at the time of learning is referred to as C3 , and the pressing member 74A under the condition further reduced (for example, diameter 30 mm).
  • FIG. 20 shows the verification result of verifying the estimation result using the learning model learned under various conditions due to the difference in the size and the pressing position of the pressing member 74 described above. As shown in FIG. 20, it can be confirmed that the shape can be estimated satisfactorily under almost all conditions.
  • FIG. 21A and 21B show the results of three-dimensional display of the results of principal component analysis of the verification results shown in FIG. 20.
  • FIG. 21A shows the result of detecting the electric resistance value by the detection set # 1
  • FIG. 21B shows the result of referring to FIG. 21A from different directions.
  • the first aspect is A detector that detects electrical properties between multiple detection points in a flexible material with conductivity, The electrical characteristics are input by using the electrical characteristics that change in time series according to the deformation of the flexible material and the shape information indicating the shape of the flexible material in the pressure stimulus that deforms the flexible material as learning data. Then, to the learning model trained to output the shape information, an estimation unit that inputs the electrical characteristics detected by the detection unit of the estimation target and estimates the shape information of the estimation target, and an estimation unit. It is an estimation device including.
  • the second aspect is in the estimation device of the first aspect.
  • the flexible material is a material whose electrical characteristics change in response to the deformation.
  • the learning model is trained to output shape information corresponding to the detected electrical characteristics.
  • the third aspect is in the estimation device of the first aspect or the second aspect.
  • the electrical property of the flexible material is volume resistance.
  • the fourth aspect is the estimation device of any one of the first to third aspects.
  • the flexible material is a material in which conductivity is imparted to a urethane material having a structure having a fibrous skeleton or a structure in which a plurality of minute air bubbles are scattered inside.
  • the fifth aspect is in the estimation device of any one of the first to fourth aspects.
  • the learning model is a model generated by learning using the flexible material as a reservoir using a network by reservoir computing using the reservoir.
  • the sixth aspect is The computer acquires the electrical properties from the detector that detects the electrical properties between multiple detection points in the flexible material having conductivity. Using the electrical characteristics associated with the time-series information that changes according to the deformation of the flexible material and the shape information of the pressure stimulus that gives deformation to the flexible material as learning data, the electrical characteristics are input. The acquired electrical characteristics of the estimation target are input to the learning model trained to output the shape information, and the shape information of the estimation target is estimated. It is an estimation method.
  • the seventh aspect is Obtaining the electrical properties from a detector that detects the electrical properties between multiple detection points in a flexible material that has conductivity to a computer, Using the electrical characteristics associated with the time-series information that changes according to the deformation of the flexible material and the shape information of the pressure stimulus that gives deformation to the flexible material as learning data, the electrical characteristics are input.
  • the acquired electrical characteristics of the estimation target are input to the learning model trained to output the shape information, and the shape information of the estimation target is estimated. It is an estimation program for executing processing.
  • the eighth aspect is An acquisition unit that acquires the electrical characteristics from the detection unit that detects the electrical characteristics between a plurality of detection points in the flexible material having conductivity, and the shape information of the pressure stimulus that gives deformation to the flexible material. Based on the acquisition result of the acquisition unit, a learning model trained to output the shape information of the object by inputting the electrical characteristics associated with the time-series information that changes according to the deformation of the flexible material.
  • the learning model generator to generate and It is a learning model generator including.
  • the shape information of the pressure stimulus can be estimated by utilizing the electrical characteristics at the time of deformation of the flexible material having conductivity without using a special detection device.
  • the conductive flexible member is applied as an example of the flexible member
  • the flexible member is not limited to the conductive flexible member.
  • a part of the estimation device for example, a neural network such as a learning model may be configured as a hardware circuit.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Force Measurement Appropriate To Specific Purposes (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)

Abstract

推定装置は、導電性を有する柔軟材料における複数の検出点の間の電気特性を検出部で検出する。推定部は、柔軟材料、学習モデルを用いて柔軟材料の電気特性に基づき推定対象物の形状を推定する。学習モデルは、柔軟材料の変形に応じて時系列に変化する電気特性と、柔軟材料に変形を与える圧力刺激の前記柔軟材料における形状を示す形状情報とを学習用データとして用いて、電気特性を入力とし、形状情報を出力するように学習される。

Description

推定装置、推定方法、推定プログラム、及び学習モデル生成装置
　本開示は、推定装置、推定方法、推定プログラム、及び学習モデル生成装置に関する。
　従来より、ウレタン部材等の柔軟材料の変形検出が行われている。ウレタン部材等の柔軟材料では、変形を阻害せずに変形を検出することは困難である。また、金属変形等の剛体の検出に用いられる歪センサは柔軟材料に利用困難なため、柔軟材料の変形を検出するためには、特殊な検出装置が要求される。例えば、国際公開２０１７０２９９０５号公報には、カメラによる物体の変位と振動を測定して、変形画像を取得し、変形量を抽出する技術が開示されている。また、特開２０１３－１０１０９６公報には、光の透過量から変形量を推定する柔軟触覚センサに関する技術が開示されている。
　しかしながら、例えば、カメラ及び画像解析手法を用いて物体の変位等の変形量を検出する手法を用いて柔軟材料の変形を検出する場合、カメラ及び画像解析等を含むシステムは、大規模なものとなり、装置の大型化を招くので好ましくはない。また、カメラを用いた光学手法ではカメラに撮像されない隠れた部分の計測は出来ない。従って、柔軟材料の変形を検出するのには改善の余地がある。
　本開示は、特殊な検出装置を用いることなく、導電性を有する柔軟材料の変形時における電気特性を利用して、圧力刺激の形状情報を推定することができる。
　本開示の技術は、導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部と、前記柔軟材料の変形に応じて時系列に変化する電気特性と、前記柔軟材料に変形を与える圧力刺激の前記柔軟材料における形状を示す形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記検出部で検出された電気特性を入力し、前記推定対象物の形状情報を推定する推定部と、を含む。
実施形態に係る柔軟材料の形状推定装置の構成の一例を示す図である。 実施形態に係る柔軟材料の電気経路の概念を示す図である。 実施形態に係る学習処理に関する図である。 実施形態に係る測定装置の一例を示す図である。 実施形態に係る押圧部材の一例を示す図である。 実施形態に係る柔軟材料における検出点の一例を示す図である。 実施形態に係る学習データ収集処理の一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る学習処理の流れの一例を示すフローチャートである。 実施形態に係る学習処理部における学習処理に関する図である。 実施形態に係る柔軟材料の形状推定装置の構成の一例を示す図である。 実施形態に係る推定処理の流れの一例を示すフローチャートである。 実施形態に係る圧力刺激及び柔軟材料の電気特性に関する圧力値の時間特性を示す図である。 実施形態に係る圧力刺激及び柔軟材料の電気特性に関する柔軟材料の深さの時間特性を示す図である。 実施形態に係る圧力刺激及び柔軟材料の電気特性に関する電気抵抗値の時間特性を示す図である。 実施形態に係る圧力刺激及び柔軟材料の電気特性に関する電気抵抗値の変化量の時間特性を示す図である。 実施形態に係る形状推定に関する検証結果を示す図である。 実施形態に係る形状推定に関する検証結果を示す図である。 実施形態に係る形状推定に関する検証結果を示す図である。 実施形態に係る柔軟材料の電気特性に関する電気抵抗値の時間特性を示す図である。 実施形態に係る柔軟材料の電気特性に関する電気抵抗値の変化量の時間特性を示す図である。 実施形態に係る電気特性の分析結果を示す図であり、複数の押圧部材の結果を示す。 実施形態に係る電気特性の分析結果を示す図であり、一部の押圧部材の結果を示す。 実施形態に係る形状推定に関する検証結果を示す図である。 実施形態に係る形状推定に関する検証結果を示す図である。 実施形態に係る電気特性の分析結果を示す図であり、電気抵抗値の結果を示す。 実施形態に係る電気特性の分析結果を示す図であり、分析結果を異なる方向から参照した結果を示す。
　以下、図面を参照して本開示の技術を実現する実施形態を詳細に説明する。
　なお、作用、機能が同じ働きを担う構成要素及び処理には、全図面を通して同じ符合を付与し、重複する説明を適宜省略する場合がある。また、本開示は、以下の実施形態に何ら限定されるものではなく、本開示の目的の範囲内において、適宜変更を加えて実施することができる。また、本開示では、主として非線形に変形する部材に対する物理量の推定を説明するが、線形に変形する部材に対する物理量の推定に適用可能であることは言うまでもない。
　本開示において「柔軟材料」とは、外部力が与えられることによって少なくとも一部が撓み等のように変形可能な材料を含む概念であり、ゴム材料等の柔らかい弾性体、繊維状の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体を含む。外部力の一例には圧力が挙げられる。繊維状の骨格を有する構造体、及び内部に微小な空気泡が複数散在する構造体の一例には、ウレタン材などの高分子材料が挙げられる。「導電性が付与された柔軟材料」とは、導電性を有する材料を含む概念であり、導電性を付与するために導電材を柔軟材料に付与した材料、及び柔軟材料が導電性を有する材料を含む。また、導電性が付与された柔軟材料は、変形に応じて電気特性が変化する機能を有する。なお、変形に応じて電気特性が変化する機能を生じさせる物理量の一例には圧力刺激による圧力値が挙げられる。柔軟材料を変形させる場合、圧力刺激の形状を伴って柔軟材料を変形させることが可能である。また、変形に応じて変化する電気特性を表す物理量の一例には、電気抵抗値が挙げられる。この電気抵抗値は、柔軟材料の体積抵抗値と捉えることが可能である。
　柔軟材料は、導電性を与えることで、変形に応じた電気特性が現れる。すなわち、導電性が付与された柔軟材料は、図２に示すように、電気経路が複雑に連携し、変形に応じて電気経路が伸縮したり膨縮したりする。また、電気経路が一時的に切断される挙動、及び以前と異なる接続が生じる挙動を示す場合もある。従って、柔軟材料は、予め定められた距離を隔てた位置（例えば検出点）の間では、与えられた力（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このため、柔軟材料の形状変化の観点では、柔軟材料に与えられた力（例えば圧力刺激）及び柔軟材料に与えられた力の形状に応じて電気特性が変化すると考えられる。
　本開示の推定装置は、柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性と、柔軟材料に変形を与える圧力刺激の形状情報とを学習用データとして用いて、電気特性を入力とし、形状情報を出力するように学習された学習モデルを用いる。推定装置は、学習モデルに対して、推定対象物である柔軟材料における電気特性を入力し、その出力を、推定対象物の形状情報として推定する。
　なお、本開示では、弾性体における物理量を把握するために、柔軟材料の一例として、ウレタン部材に導電材料を浸潤させた部材（以下、導電性柔軟部材という。）を適用した場合を説明する。また、柔軟材料を変形させる物理量に、予め定めた形状の付与部材による圧力刺激を適用し、柔軟材料の変形に応じて変化する物理量に、電気抵抗値を適用した場合を説明する。
　図１に、本開示の推定装置としての柔軟材料の形状推定装置１の構成の一例を示す。
　柔軟材料の形状推定装置１における推定処理は、導電性柔軟部材２に与えられた圧力刺激をラベルとする付与データ（少なくとも形状値）及び導電性柔軟部材２の電気抵抗データ（すなわち、電気抵抗値）を入力として学習を行った学習済みの学習モデルを用いて、導電性柔軟部材２に与えられた未知の圧力刺激の形状データを推定し、出力する。
　すなわち、柔軟材料の形状推定装置１は、柔軟材料に与えられた圧力刺激により形状変化した柔軟材料における電気特性から、柔軟材料に与えられた圧力刺激の形状を推定する。これにより、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、柔軟材料に与えられた圧力刺激の形状を同定することが可能となる。
　本実施形態では、導電性柔軟部材２は、検出部として適用される。すなわち、図１に示すように、柔軟材料の形状推定装置１は、推定部５を備えている。推定部５には、導電性柔軟部材２に与えられた圧力刺激３に対応する電気抵抗の大きさ（電気抵抗値）を表す入力データ４が入力される。また、推定部５は、推定結果の導電性柔軟部材２に与えられた圧力刺激３の物理量（形状値）を表す出力データ６を出力する。推定部５は、学習済みの学習モデル５１を含んでいる。
　学習モデル５１は、圧力刺激３が与えられた導電性柔軟部材２の電気抵抗（入力データ４）から、導電性柔軟部材２に与えられた圧力刺激の形状（出力データ６）を導出する学習を済ませたモデルである。学習モデル５１は、例えば、学習済みのニューラルネットワークを規定するモデルであり、ニューラルネットワークを構成するノード（ニューロン）同士の間の結合の重み（強度）の情報の集合として表現される。
　学習モデル５１は、学習処理部５２（図３）の学習処理により生成される。学習処理部５２は、圧力刺激３が与えられた導電性柔軟部材２における時系列な電気抵抗（入力データ４）を用いて学習処理を行う。すなわち、圧力刺激３の形状をラベルとして導電性柔軟部材２における予め定めた距離を隔てた検出点の間の電気抵抗を時系列に測定した大量のデータを学習データとする。具体的には、学習データは、電気抵抗値（入力データ４）を含んだ入力データと、その入力データに対応する圧力刺激３の形状を示す情報（出力データ６）と、のセットを大量に含む。ここでは、例えば、導電性柔軟部材２の電気抵抗値（入力データ４）の各々に測定時刻を示す情報を付与することで時系列情報が対応付けられる。この場合、導電性柔軟部材２に圧力刺激が与えられた場合における逐次の電気抵抗値のセットに測定時刻を示す情報を付与して時系列情報を対応付けてもよい。
　次に、学習処理部５２が行う学習処理について説明する。
　まず、学習処理に用いる学習データについて説明する。
　図４に、導電性柔軟部材２における物理量を測定する測定装置７の一例を示す。
　測定装置７は、基台７１に固定された固定部７２に、導電性柔軟部材２に圧力刺激（導電性柔軟部材２を変形させる物理量）を与えるための圧力付与部７３が取り付けられる。圧力付与部７３は、圧力付与本体７３Ａ、圧力付与本体７３Ａから伸縮可能なアーム７３Ｂ、及びアーム７３Ｂの先端に取り付けられた先端部７３Ｃを備えている。圧力付与部７３では、圧力付与本体７３Ａが固定部７２に固定され、入力信号に応じてアーム７３Ｂが伸縮されて、先端部７３Ｃが所定方向（矢印Ｆ方向）に移動される。
　導電性柔軟部材２は基台７１に設置され、圧力付与部７３の先端部７３Ｃと導電性柔軟部材２との間には、所定形状の押圧部材７４が配置される。なお、本実施形態では、所定形状の押圧部材７４の一例として、図５に示す押圧部材７４Ａ～７４Ｅを用いる。押圧部材７４Ａは導電性柔軟部材２に対して円形状に圧力刺激を与える押圧部材であり、押圧部材７４Ｂは四角形形状に圧力刺激を与える押圧部材であり、押圧部材７４Ｃは三角形形状に圧力刺激を与える押圧部材である。なお、本実施形態では、押圧部材７４の向きを考慮して、押圧部材７４Ｂとは異なる向きで圧力刺激を与える押圧部材を押圧部材７４Ｄとし、押圧部材７４Ｃとは異なる向きで圧力刺激を与える押圧部材を押圧部材７４Ｅとした。
　圧力付与部７３は、アーム７３Ｂが伸長することによって、先端部７３Ｃが押圧部材７４を導電性柔軟部材２に押し込むように作動する。導電性柔軟部材２の基台７１側の面には、電気特性（すなわち導電性柔軟部材２の電気特性を示す物理量であり、ここでは電気抵抗値）を検出するための検出点７５を備える。検出点７５は、導電性柔軟部材２の電気抵抗値を検出するために、所定距離を隔てた異なる複数の位置に配置される。
　本実施形態では、導電性柔軟部材２における検出点７５の一例として、図６に示す格子状に配置された複数（図６では８個）の検出点７５を適用する。これら複数の検出点７５のうちの何れか２個の検出点７５を選択することで、導電性柔軟部材２における電気抵抗値（例えば、体積抵抗値）を検出することが可能となる。図６では８個の検出点７５の各々として検出点７５を示す図形（円図形）内に第１から第８の各々を示す符号を表記した。また、図６に示す例では、第１の検出点７５と第２の検出点７５とにより電気抵抗値を検出する第１の検出セット＃１が示されている。第２の検出点７５と第３の検出点７５とは第２の検出セット＃２を示し、第３の検出点７５と第４の検出点７５とは第３の検出セット＃３を示し、第４の検出点７５と第１の検出点７５とは第４の検出セット＃４を示す。第５の検出点７５と第７の検出点７５とは第５の検出セット＃５を示し、第６の検出点７５と第８の検出点７５とは第６の検出セット＃６を示す。第２の検出点７５と第４の検出点７５とは第７の検出セット＃７を示し、第１の検出点７５と第３の検出点７５とは第８の検出セット＃８を示す。
　なお、本実施形態では、上述した検出セットの何れか１つの検出セットで導電性柔軟部材２の電気特性（電気抵抗値）を検出する場合を説明する。
　測定装置７は、検出点７５に接続して電気特性（すなわち電気抵抗値）を検出する電気特性検出部７６を備える。測定装置７は、圧力付与部７３、及び電気特性検出部７６に接続されたコントローラ７０を備えている。コントローラ７０は、圧力付与部７３の制御を行い、導電性柔軟部材２に対して圧力刺激を与え、導電性柔軟部材２への圧力刺激による電気抵抗値を取得し、記憶する。なお、記憶される電気抵抗値には、導電性柔軟部材２への圧力刺激の形状、すなわち押圧部材７４の形状を示す情報が対応付けられる。
　測定装置７は、押圧部材７４の押圧制御において、押圧部材７４の形状に対して、導電性柔軟部材２における電気抵抗値のデータセットを時系列に複数取得可能となる。
　コントローラ７０は、図示しないＣＰＵを含むコンピュータを含んで構成可能であり、学習データ収集処理を実行するようになっている。図７に学習データ収集処理の一例を示す。コントローラは、ステップＳ１００で、導電性柔軟部材２に対して押圧部材７４による圧力刺激の指示を行い、ステップＳ１０２で、導電性柔軟部材２における電気抵抗値を時系列に取得する。次のステップＳ１０４では、取得した時系列の電気抵抗値に押圧部材７４の形状をラベルとして付与して、記憶する。コントローラ７０は、これらの押圧部材７４の形状、及び導電性柔軟部材２の電気抵抗値のセットが予め定めた所定数、又は予め定めた所定時間に達するまで（ステップＳ１０６で、肯定判断されるまで否定判断し）、上記処理を繰り返す。
　従って、コントローラ７０は、導電性柔軟部材２への押圧部材７４による圧力刺激の押圧制御を行うことによって、押圧部材７４の形状毎に、導電性柔軟部材２における電気抵抗値を時系列に取得し、記憶することが可能となる。このコントローラ７０に記憶された押圧部材７４の形状毎の時系列な導電性柔軟部材２の電気抵抗値のセットが学習データとなる。
　次に、図８を参照して、学習処理部５２について説明する。
　学習処理部５２は、生成器５４と演算器５６とを含む。生成器５４は、入力である時系列に取得された電気抵抗値の前後関係を考慮して出力を生成する機能を有する。
　また、学習処理部５２は、学習用データとして、測定装置７で測定した入力データ４（電気抵抗値）と、圧力刺激として導電性柔軟部材２に与えた押圧部材７４に関するデータである出力データ６（形状）とのセットを多数保持している。
　図８に示す例では、生成器５４は、入力層５４０、中間層５４２、および出力層５４４を含んで、公知のニューラルネットワーク（ＮＮ：Neural Network）を構成している。ニューラルネットワーク自体は公知の技術であるため詳細な説明は省略するが、中間層５４２は、ノード間結合およびフィードバック結合を有するノード群（ニューロン群）を多数含む。その中間層５４２には、入力層５４０からのデータが入力され、中間層５４２の演算結果のデータは、出力層５４４へ出力される。
　生成器５４は、入力された入力データ４（電気抵抗）から押圧部材７４の形状を表す生成出力データ６Ａを生成するニューラルネットワークである。生成出力データ６Ａは、入力データ４（電気抵抗）から導電性柔軟部材２に圧力刺激が与えられた押圧部材７４の形状を推定したデータである。生成器５４は、時系列に入力された入力データ４（電気抵抗）から、導電性柔軟部材２に圧力刺激が与えられた押圧部材７４の形状に近い形状を示す生成出力データを生成する。生成器５４は、多数の入力データ４（電気抵抗）を用いて学習することで、より導電性柔軟部材に圧力刺激が与えられた押圧部材７４の形状に近い生成出力データ６Ａを生成できるようになる。
　演算器５６は、生成出力データ６Ａと、学習データの出力データ６とを比較し、その比較結果の誤差を演算する演算器である。学習処理部５２は、生成出力データ６Ａ、および学習データの出力データ６を演算器５６に入力する。これに応じて、演算器５６は、生成出力データ６Ａと、学習データの出力データ６との誤差を演算し、その演算結果を示す信号を出力する。
　学習処理部５２は、演算器５６で演算された誤差に基づいて、ノード間の結合の重みパラメータをチューニングする、生成器５４の学習を行う。具体的には、生成器５４における入力層５４０と中間層５４２とのノード間の結合の重みパラメータ、中間層５４２内のノード間の結合の重みパラメータ、および中間層５４２と出力層５４４とのノード間の結合の重みパラメータの各々を例えば勾配降下法や誤差逆伝搬法等の手法を用いて、生成器５４にフィードバックする。すなわち、学習データの出力データ６を目標として、生成出力データ６Ａと学習データの出力データ６との誤差を最小化するように全てのノード間の結合を最適化する。
　学習モデル５１は、学習処理部５２の学習処理により生成される。学習モデル５１は、学習処理部５２による学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現される。
　学習処理部５２は、図示しないＣＰＵを含むコンピュータを含んで構成し、学習処理を実行することが可能である。例えば、図９に学習処理の一例を示すように、学習処理部５２は、ステップＳ１１０で、時系列に測定した結果の学習データである、押圧部材７４の形状を示す情報をラベルとした入力データ４（電気抵抗）を取得する。学習処理部５２は、ステップＳ１１２で、時系列に測定した結果の学習データを用いて学習モデル５１を生成する。すなわち、上記のようにして多数の学習データを用いて学習した学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合を得る。そして、ステップＳ１１４で、学習結果のノード間の結合の重みパラメータ（重み又は強度）の情報の集合として表現されるデータを学習モデル５１として記憶する。
　なお、生成器５４は、時系列入力の前後関係を考慮して出力を生成する機能を有する再帰型ニューラルネットワークを用いてもよく、他の手法を用いてもよい。
　そして、上記柔軟材料の形状推定装置１では、以上に例示した手法により生成した学習済みの生成器５４（すなわち、学習結果のノード間の結合の重みパラメータの情報の集合として表現されるデータ）を学習モデル５１として用いる。十分に学習した学習モデル５１を用いれば、導電性柔軟部材２に対して押圧部材７４による圧力刺激における時系列な電気抵抗値から導電性柔軟部材２に押圧された押圧部材７４の形状を同定することも不可能ではない。
　なお、学習処理部５２による処理は、本開示の学習モデル生成装置の処理の一例である。また、柔軟材料の形状推定装置１は、本開示の推定部および推定装置の一例である。
　ところで、上述したように、導電性柔軟部材２は、電気経路が複雑に連携し（例えば、図２参照）、変形に応じた電気経路の伸縮、膨縮、一時的な切断、及び新たな接続が生じる等の挙動を示し、結果的に、与えられた力（例えば圧力刺激）に応じて異なる電気特性を有する挙動を示す。このことは、導電性柔軟部材２を、導電性柔軟部材２の変形に関するデータを貯留するリザーバとして扱うことが可能である。すなわち、柔軟材料の形状推定装置１は、物理的なリザーバコンピューティング（ＰＲＣ：Physical Reservoir Computing）と呼ばれるネットワークモデル（以下、ＰＲＣＮという。）に、導電性柔軟部材２を適用することが可能である。ＰＲＣおよびＰＲＣＮ自体は公知の技術であるため、詳細な説明を省略するが、すなわち、ＰＲＣ、及びＰＲＣＮは、導電性柔軟部材２の変形に関する情報の推定に好適に適用可能である。
　図１０に、導電性柔軟部材２を、導電性柔軟部材２の変形に関するデータを貯留するリザーバとして扱って学習する学習処理部５２の一例を示す。導電性柔軟部材２は、多様な圧力刺激の各々に応じた電気特性（電気抵抗値）となり、電気抵抗値を入力する入力層として機能し、また、導電性柔軟部材２の変形に関するデータを貯留するリザーバ層として機能する。導電性柔軟部材２は、与えられた圧力刺激３（押圧部材の形状）に応じて異なる電気特性（入力データ４）を出力するので、推定層で、導電性柔軟部材２の電気抵抗値から与えられた圧力刺激３（押圧部材の形状）を推定することが可能である。従って、学習処理では、推定層を学習すればよい。
　上述の柔軟材料の形状推定装置１は、例えば、コンピュータに上述の各機能を表すプログラムを実行させることにより実現可能である。
　図１１に、柔軟材料の形状推定装置１の各種機能を実現する処理を実行する実行装置としてコンピュータを含んで構成した場合の一例を示す。
　図８に示す柔軟材料の形状推定装置１として機能するコンピュータは、図１１に示すコンピュータ本体１００を備えている。コンピュータ本体１００は、ＣＰＵ１０２、揮発性メモリ等のＲＡＭ１０４、ＲＯＭ１０６、ハードディスク装置（ＨＤＤ）等の補助記憶装置１０８、及び入出力インターフェース（Ｉ／Ｏ）１１０を備えている。これらのＣＰＵ１０２、ＲＡＭ１０４、ＲＯＭ１０６、補助記憶装置１０８、及び入出力Ｉ／Ｏ１１０は、相互にデータ及びコマンドを授受可能にバス１１２を介して接続された構成である。また、入出力Ｉ／Ｏ１１０には、外部装置と通信するための通信部１１４、及びディスプレイやキーボード等の操作表示部１１６が接続されている。通信部１１４は、導電性柔軟部材２との間で、入力データ４（電気抵抗）を取得する機能する。すなわち、通信部１１４は、検出部である、導電性柔軟部材２を含み、導電性柔軟部材２における検出点７５に接続された電気特性検出部７６から入力データ４（電気抵抗）を取得することが可能である。
　補助記憶装置１０８には、コンピュータ本体１００を本開示の推定装置の一例として柔軟材料の形状推定装置１として機能させるための制御プログラム１０８Ｐが記憶される。ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出してＲＡＭ１０４に展開して処理を実行する。これにより、制御プログラム１０８Ｐを実行したコンピュータ本体１００は、本開示の推定装置の一例として柔軟材料の形状推定装置１として動作する。
　なお、補助記憶装置１０８には、学習モデル５１を含む学習モデル１０８Ｍ、及び各種データを含むデータ１０８Ｄが記憶される。制御プログラム１０８Ｐは、ＣＤ－ＲＯＭ等の記録媒体により提供するようにしても良い。
　次に、コンピュータにより実現された柔軟材料の形状推定装置１における推定処理について説明する。
　図１２に、コンピュータ本体１００において、実行される制御プログラム１０８Ｐによる推定処理の流れの一例を示す。
　図１２に示す推定処理は、コンピュータ本体１００に電源投入されると、ＣＰＵ１０２により実行される。すなわち、ＣＰＵ１０２は、制御プログラム１０８Ｐを補助記憶装置１０８から読み出し、ＲＡＭ１０４に展開して処理を実行する。
　まず、ＣＰＵ１０２は、ステップＳ２００で、補助記憶装置１０８の学習モデル１０８Ｍから学習モデル５１を読み出し、ＲＡＭ１０４に展開することで、学習モデル５１を取得する。具体的には、学習モデル５１として表現された重みパラメータによるノード間の結合となるネットワークモデルを、ＲＡＭ１０４に展開する。よって、重みパラメータによるノード間の結合が実現された学習モデル５１が構築される。
　次に、ＣＰＵ１０２は、ステップＳ２０２で、導電性柔軟部材２に与えられた圧力刺激による押圧部材の形状を推定する対象となる未知の入力データ４（電気抵抗）を、通信部１１４を介して時系列に取得する。
　次に、ＣＰＵ１０２は、ステップＳ２０４で、ステップＳ２００で取得した学習モデル５１を用いて、ステップＳ２０２において取得した入力データ４（電気抵抗）に対応する出力データ６（未知の推定対象物の形状）を推定する。
　そして、次のステップＳ２０６で、推定結果の出力データ６（推定対象物の形状）を、通信部１１４を介して出力して、本処理ルーチンを終了する。
　なお、図１２に示す推定処理は、本開示の推定方法で実行される処理の一例である。
　以上説明したように、本開示によれば、導電性柔軟部材２に対して、与えられた圧力刺激３に応じて変化する入力データ４（電気抵抗）から、導電性柔軟部材２に圧力刺激を与えた対象物の形状を推定することが可能となる。すなわち、特殊な装置や大型の装置を用いたり柔軟部材の変形を直接計測することなく、柔軟部材に与えられた圧力刺激、例えば推定対象物の形状を推定することが可能となる。
　次に、上述した柔軟材料の形状推定装置１において、導電性柔軟部材２に対して対象物を押圧した場合における対象物の形状推定に関して検証した検証結果を説明する。
　図１３Ａから図１３Ｄには、導電性柔軟部材２に対して押圧部材７４によって圧力刺激を与えた場合の圧力刺激及び導電性柔軟部材２の電気特性（電気抵抗値）の特性が示されている。図１３Ａには、導電性柔軟部材２に与えた圧力刺激である圧力値の時間特性が示されている。図１３Ｂには、図１３Ａに示す圧力値が導電性柔軟部材２に与えられた場合における導電性柔軟部材２の変形量のうちの深さの時間特性が示されている。図１３Ｃには、図１３Ａに示す圧力値が導電性柔軟部材２に与えられた場合に、検出セット＃１における導電性柔軟部材２の電気抵抗値の時間特性が示されている。図１３Ｄには、導電性柔軟部材２への圧力刺激開始、すなわち、押圧開始からの電気抵抗値の変化量に関する時間特性が示されている。この電気抵抗値の変化量に関する時間特性の一例には、差分の時間特性が挙げられる。
　図１３Ａから図１３Ｄに示すように、導電性柔軟部材２に対して圧力刺激が与えられた場合、圧力刺激に対応して導電性柔軟部材２の電気抵抗値（体積抵抗値）が変化する特性を示すことが確認できる。また、押圧開始からの電気抵抗値の変化量に関する時間特性（例えば、差分を示す差分時間特性）からも、柔軟材料の変形に応じて時系列に変化する電気抵抗値になることを確認できる。
　次に、導電性柔軟部材２に圧力刺激を与える押圧部材７４の形状の相違による推定結果を検証した。
　図１４には、導電性柔軟部材２に圧力刺激を与える押圧部材７４の形状の相違による推定結果を検証した検証結果が示されている。この検証では、押圧部材７４について、異なる形状の押圧部材７４Ａ～７４Ｅの各々について、４０回の押圧試験を行い、各々の時系列に変化した電気抵抗値を学習データとして収集した。そして、収集した学習データで学習された学習モデルを構築し、その学習モデルを用いて、３０回の形状推定試験を実施した。なお、図１４では、押圧部材７４ＡをＣ０と表記し、押圧部材７４ＢをＳ０と表記し、押圧部材７４ＣをＴ０と表記し、押圧部材７４ＤをＴ９０と表記し、押圧部材７４ＥをＳ４５と表記している。推定結果は押圧部材７４の押圧時における推定部材の形状に対する推定回数を示す。
　図１４に示すように、上述した柔軟材料の形状推定装置１によれば、導電性柔軟部材２に対して異なる形状の押圧部材７４によって圧力刺激を与えた場合であっても、形状を推定可能であることを確認できる。
　図１５には、異なる検出セットで押圧部材７４の形状の推定結果を検証した検証結果が示されている。この検証では、同一の押圧部材７４について、異なる検出セット＃１～＃８の各々について、４０回の押圧試験を行い、各々の時系列に変化した電気抵抗値を学習データとして収集した。そして、収集した学習データで学習された学習モデルを構築し、その学習モデルを用いて、３０回の形状推定試験を実施した。
　図１５に示すように、上述した柔軟材料の形状推定装置１によれば、検出セット、すなわち、検出位置を設定することで（例えば検出セット＃１）、１つの検出セットであっても、形状を良好に推定可能であることを確認できる。
　図１６には、異なる複数の検出セットの組み合わせによって押圧部材７４の形状の推定結果を検証した検証結果が示されている。この検証でも、上述した４０回の押圧試験を行い、収集した学習データで学習された学習モデルを用いて、３０回の形状推定試験を実施した。
　図１６に示すように、上述した柔軟材料の形状推定装置１によれば、複数の検出セットを組み合わせることで、何れの位置の検出セットであっても、形状を良好に推定可能であることを確認できる。
　図１７Ａ及び図１７Ｂには、複数の押圧部材７４の各々によって導電性柔軟部材２に圧力刺激が与えられた場合の導電性柔軟部材２の電気特性（電気抵抗値）に関する時間特性が示されている。図１７Ａには、押圧部材７４Ａ～７４Ｅの各々で圧力刺激を導電性柔軟部材２に与えた場合における導電性柔軟部材２の電気抵抗値の時間特性が示されている。図１７Ｂには、圧力刺激開始、すなわち、押圧開始からの電気抵抗値の変化量を、押圧部材７４Ａ～７４Ｅの各々について示されている。
　図１７Ａ及び図１７Ｂに示すように、異なる形状の押圧部材７４Ａ～７４Ｅの各々について、導電性柔軟部材２の電気抵抗値（体積抵抗値）が変化する特性が相違することを確認できる。
　図１８Ａ及び図１８Ｂには、図１７Ａ及び図１７Ｂに示す電気特性に関して、主成分分析した結果を３次元表示した結果が示されている。図１８Ａには押圧部材７４Ａ～７４Ｅの各々に関する主成分分析結果が示され、図１８Ｂには押圧部材７４Ｄ、及び７４Ｅに関する主成分分析結果が示されている。
　図１８Ａ及び図１８Ｂに示すように、異なる形状の押圧部材７４Ａ～７４Ｅの各々について、分離された構造となり、異なる形状の押圧部材７４Ａ～７４Ｅの各々が相違することを確認できる。
　次に、学習済みの学習モデルを用いて学習時とは異なる条件で導電性柔軟部材２に圧力刺激を与えた場合の推定結果を検証した。
　図１９には、押圧部材７４の大きさ及び押圧位置の相違による推定結果を検証した検証結果が示されている。図１９では、円形の押圧部材７４Ａについて学習した位置から所定距離（例えば５ｍｍ）だけ離間させた位置の条件による押圧部材７４ＡをＣ１と表記し、さらに離間（例えば１０ｍｍ）離間させた位置の条件による押圧部材７４ＡをＣ２と表記した。また、学習したときの押圧部材７４Ａの大きさ（例えば直径５０ｍｍ）から小さくした条件（例えば直径４０ｍｍ）による押圧部材７４ＡをＣ３と表記し、さらに小さくした条件（例えば直径３０ｍｍ）による押圧部材７４ＡをＣ４と表記している。四角形の押圧部材７４Ｂでは、学習した位置から所定距離（例えば５ｍｍ）だけ離間させた位置の条件による押圧部材７４ＢをＳ１と表記し、さらに離間（例えば１０ｍｍ）離間させた位置の条件による押圧部材７４ＢをＳ２と表記した。三角形の押圧部材７４Ｃでも、学習した位置から所定距離（例えば５ｍｍ）だけ離間させた位置の条件による押圧部材７４ＣをＴ１と表記し、さらに離間（例えば１０ｍｍ）離間させた位置の条件による押圧部材７４ＣをＴ２と表記した。
　図１９に示すように、押圧部材７４の形状の相違等の条件が、推定結果に影響することを確認できる。よって、学習時の条件と相違する条件では推定処理が相違する場合があることが確認された。
　そこで、押圧部材７４の形状の相違等の条件を網羅するように学習された学習モデルを用いた形状の推定結果を検証した。
　図２０には、上述した押圧部材７４の大きさ及び押圧位置の相違による様々な条件下で学習された学習モデルを用いた推定結果を検証した検証結果が示されている。図２０に示すように、ほぼ全ての条件について、形状を良好に推定可能であることが確認できる。
　図２１Ａ及び図２１Ｂには、図２０に示す検証結果について、主成分分析した結果を３次元表示した結果が示されている。図２１Ａには検出セット＃１で電気抵抗値を検出した結果が示され、図２１Ｂには図２１Ａを異なる方向から参照した結果が示されている。
　図２１Ａ及び図２１Ｂに示すように、様々な条件下であっても、各々が学習された学習モデルを用いることで、押圧部材７４Ａ～７４Ｅの各々の形状に関する結果が分離された構造となり、異なる形状の押圧部材７４Ａ～７４Ｅの各々を判別できる。
　上記目的を達成するために、第１態様は、
　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部と、
　前記柔軟材料の変形に応じて時系列に変化する電気特性と、前記柔軟材料に変形を与える圧力刺激の前記柔軟材料における形状を示す形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記検出部で検出された電気特性を入力し、前記推定対象物の形状情報を推定する推定部と、
　を含む推定装置である。
　第２態様は、第１態様の推定装置において、
　前記柔軟材料は、前記変形に応じて電気特性が変化する材料であり、
　前記学習モデルは、検出された電気特性に対応する形状情報を出力するように学習される。
　第３態様は、第１態様又は第２態様の推定装置において、
　前記柔軟材料の電気特性は、体積抵抗である。
　第４態様は、第１態様から第３態様の何れか１態様の推定装置において、
　前記柔軟材料は、繊維状の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材に導電性が付与された材料である。
　第５態様は、第１態様から第４態様の何れか１態様の推定装置において、
　前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルである。
　第６態様は、
　コンピュータが
　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性を取得し、
　前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記取得された電気特性を入力し、前記推定対象物の形状情報を推定する、
　推定方法である。
　第７態様は、
　コンピュータに
　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性を取得し、
　前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記取得された電気特性を入力し、前記推定対象物の形状情報を推定する、
　処理を実行させるための推定プログラムである。
　第８態様は、
　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報と、を取得する取得部と、
　前記取得部の取得結果に基づいて、前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性を入力とし、対象物の形状情報を出力するように学習された学習モデルを生成する学習モデル生成部と、
　を含む学習モデル生成装置である。
　本開示によれば、特殊な検出装置を用いることなく、導電性を有する柔軟材料の変形時における電気特性を利用して、圧力刺激の形状情報を推定することができる、という効果を有する。
　上述したように、本開示では、柔軟部材の一例として導電性柔軟部材を適用した場合を説明したが、柔軟部材は導電性柔軟部材に限定されないことは勿論である。
　また、本開示の技術的範囲は上記実施形態に記載の範囲には限定されない。要旨を逸脱しない範囲で上記実施形態に多様な変更または改良を加えることができ、当該変更または改良を加えた形態も本開示の技術的範囲に含まれる。
　また、上記実施形態では、検査処理を、フローチャートを用いた処理によるソフトウエア構成によって実現した場合について説明したが、これに限定されるものではなく、例えば各処理をハードウェア構成により実現する形態としてもよい。
　また、推定装置の一部、例えば学習モデル等のニューラルネットワークを、ハードウェア回路として構成してもよい。
　さらに、本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。
　また、２０２０年１２月１８日に出願された日本国特許出願２０２０－２１０７３７号の開示は、その全体が参照により本明細書に取り込まれる。

Claims (8)

  1. 　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部と、
    　前記柔軟材料の変形に応じて時系列に変化する電気特性と、前記柔軟材料に変形を与える圧力刺激の前記柔軟材料における形状を示す形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記検出部で検出された電気特性を入力し、前記推定対象物の形状情報を推定する推定部と、
    　を含む推定装置。
  2. 　前記柔軟材料は、前記変形に応じて電気特性が変化する材料であり、
    　前記学習モデルは、検出された電気特性に対応する形状情報を出力するように学習される
    　請求項１に記載の推定装置。
  3. 　前記柔軟材料の電気特性は、体積抵抗である、
    　請求項１又は請求項２に記載の推定装置。
  4. 　前記柔軟材料は、繊維状の骨格を有する構造、又は内部に微小な空気泡が複数散在する構造のウレタン材に導電性が付与された材料である、
    　請求項１から請求項３の何れか１項に記載の推定装置。
  5. 　前記学習モデルは、前記柔軟材料をリザーバとして当該リザーバを用いたリザーバコンピューティングによるネットワークを用いて学習させることで生成されたモデルである
    　請求項１から請求項４の何れか１項に記載の推定装置。
  6. 　コンピュータが
    　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性を取得し、
    　前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記取得された電気特性を入力し、前記推定対象物の形状情報を推定する、
    　推定方法。
  7. 　コンピュータに
    　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性を取得し、
    　前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報とを学習用データとして用いて、前記電気特性を入力とし、前記形状情報を出力するように学習された学習モデルに対して、推定対象物の前記取得された電気特性を入力し、前記推定対象物の形状情報を推定する、
    　処理を実行させるための推定プログラム。
  8. 　導電性を有する柔軟材料における複数の検出点の間の電気特性を検出する検出部からの前記電気特性と、前記柔軟材料に変形を与える圧力刺激の形状情報と、を取得する取得部と、
    　前記取得部の取得結果に基づいて、前記柔軟材料の変形に応じて変化する時系列情報が対応付けられた電気特性を入力とし、対象物の形状情報を出力するように学習された学習モデルを生成する学習モデル生成部と、
    　を含む学習モデル生成装置。
PCT/JP2021/045417 2020-12-18 2021-12-09 推定装置、推定方法、推定プログラム、及び学習モデル生成装置 WO2022131138A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP21906501.8A EP4265999A4 (en) 2020-12-18 2021-12-09 ESTIMATION DEVICE, ESTIMATION METHOD, ESTIMATION PROGRAM AND LEARNING MODEL CREATION DEVICE
US18/257,101 US20240104374A1 (en) 2020-12-18 2021-12-09 Estimation device, estimation method, estimation program, and learning model generation device
CN202180084131.0A CN116583710A (zh) 2020-12-18 2021-12-09 估计装置、估计方法、估计程序以及学习模型生成装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020210737A JP7487887B2 (ja) 2020-12-18 2020-12-18 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
JP2020-210737 2020-12-18

Publications (1)

Publication Number Publication Date
WO2022131138A1 true WO2022131138A1 (ja) 2022-06-23

Family

ID=82059150

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/045417 WO2022131138A1 (ja) 2020-12-18 2021-12-09 推定装置、推定方法、推定プログラム、及び学習モデル生成装置

Country Status (5)

Country Link
US (1) US20240104374A1 (ja)
EP (1) EP4265999A4 (ja)
JP (1) JP7487887B2 (ja)
CN (1) CN116583710A (ja)
WO (1) WO2022131138A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013101096A (ja) 2011-10-11 2013-05-23 Touchence Inc 柔軟触覚センサ
JP2014228507A (ja) * 2013-05-27 2014-12-08 日本電信電話株式会社 伸長センサおよび測定装置
WO2017029905A1 (ja) 2015-08-19 2017-02-23 国立研究開発法人産業技術総合研究所 単一カメラによる物体の変位と振動の測定方法、装置およびそのプログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3088006B1 (fr) * 2018-11-06 2022-12-16 Inria Inst Nat Rech Informatique & Automatique Textile intelligent adapte pour la detection de mouvement et/ou de deformation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013101096A (ja) 2011-10-11 2013-05-23 Touchence Inc 柔軟触覚センサ
JP2014228507A (ja) * 2013-05-27 2014-12-08 日本電信電話株式会社 伸長センサおよび測定装置
WO2017029905A1 (ja) 2015-08-19 2017-02-23 国立研究開発法人産業技術総合研究所 単一カメラによる物体の変位と振動の測定方法、装置およびそのプログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAKAJIMA, KOHEI ET AL.: "Exploiting the Deformation Dynamics of Soft Materials as an Information Processing Device", THE TRANSACTIONS OF THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS, vol. 102, no. 2, 1 February 2019 (2019-02-01), pages 121 - 126, XP009537488 *
See also references of EP4265999A4

Also Published As

Publication number Publication date
EP4265999A4 (en) 2024-06-19
JP2022097262A (ja) 2022-06-30
US20240104374A1 (en) 2024-03-28
JP7487887B2 (ja) 2024-05-21
EP4265999A1 (en) 2023-10-25
CN116583710A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
JP7432201B2 (ja) 推定装置、推定方法、プログラム、及び学習モデル生成装置
JP6680750B2 (ja) 制御装置及び機械学習装置
Borate et al. Data-driven structural health monitoring approach using guided Lamb wave responses
JP6232273B2 (ja) 指先接触状態測定装置
Park et al. Softness-adaptive pinch-grasp strategy using fingertip tactile information of robot hand
Ruppel et al. Simulation of the SynTouch BioTac sensor
WO2022131138A1 (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
KR20210035630A (ko) 유연촉각센서, 유연촉각센서 시스템 및 그 제조방법
Gurung et al. Self-sensing SMA actuator using extended Kalman filter and artificial neural network
JP2022174667A (ja) 推定装置、推定方法、及びプログラム
Khalil et al. Sensor measurements only with transmissibility operators for fault detection in flexible beams
JPWO2020170770A1 (ja) 検出装置及びセンサのキャリブレーション方法
JP2023017635A (ja) 推定装置、推定方法、推定プログラム、ロボットシステム及び学習モデル生成装置
Chen et al. Automated signal monitoring using neural networks in a smart structural system
Sladek et al. The dynamic response of a tactile sensor
Yan et al. Computational framework for dense sensor network evaluation based on model-assisted probability of detection
WO2023112368A1 (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
JP2023088197A (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
WO2023182012A1 (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
Zhang Simulation of the SynTouch BioTac Sensor
JP2023017636A (ja) 推定装置、推定方法、推定プログラム、ロボットシステム及び学習モデル生成装置
Elkhodbia et al. Finite element modeling of the electrical impedance tomography technique driven by machine learning
JP2023088171A (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
JP2023088191A (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置
JP2023088188A (ja) 推定装置、推定方法、推定プログラム、及び学習モデル生成装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21906501

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18257101

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202180084131.0

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021906501

Country of ref document: EP

Effective date: 20230718